資料科學與強化學習於石化原物料之價格預測與採購決策

Abstract

石油化學工業是世界經濟中相當重要的產業之一，大多數的石化產品之相關原物料為乙烯、丙烯和丁二烯，其佔下游產品的生產成本結構七至八成左右。特別的是，丁二烯(Butadiene BD)為製造合成橡膠的主要原料，其最終產品大多為輪胎、鞋材、多種民生和工業用品等，然而丁二烯的價格卻經常隨著市場供需不平衡、國際經濟波動和政治事件等因素而上下震盪，造成下游廠商在採購原料時誤判價格的風險。因此，本研究以丁二烯為探討對象，若能先期準確預測原物料價格並掌握未來趨勢，將可有效協助企業降低採購成本、輔助決策，進而提升整體營運績效。 本研究提出資料科學分析架構，主要分為兩階段，第一階段為透過資料探勘技術，分別以時間序列分解、支持向量迴歸及深度學習等方法進行原物料價格預測的研究探討，並藉由量化分析供應鏈上下游的歷史價格、合約價格、產能開工率的供需以及下游替代品等多項資料建構預測模型，以提升價格及趨勢方向性之週預測準確度；第二階段則加入歷史庫存、需求和採購資料，並且考量前階段的趨勢方向性預測結果，透過強化學習技術建構採購決策模型，藉此從歷史採購經驗中學習，進而產生策略，使得整體效益最佳化，以達成價格預測輔助採購決策之目的。 本研究之實證結果表明，此分析架構可提升價格預測能力8 1%、提升趨勢方向性預測能力18 5%、降低總採購成本12 4%，並利用良好的預測結果，有效地修正採購之價格風險，進而提升企業之成本競爭優勢。

Date of Award	2018 Jul 18
Original language	Chinese
Supervisor	Chia-Yen Lee (Supervisor)